CN116452511A - 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 - Google Patents
钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 Download PDFInfo
- Publication number
- CN116452511A CN116452511A CN202310265884.2A CN202310265884A CN116452511A CN 116452511 A CN116452511 A CN 116452511A CN 202310265884 A CN202310265884 A CN 202310265884A CN 116452511 A CN116452511 A CN 116452511A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- face
- data set
- new
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000005553 drilling Methods 0.000 title claims abstract description 39
- 238000005422 blasting Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000005286 illumination Methods 0.000 claims abstract description 27
- 238000005520 cutting process Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000003416 augmentation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种钻爆法隧道掌子面围岩级别智能判识方法、装置及介质,包括如下:构建掌子面围岩照片初始数据集;运用非盲去卷积方法修复数据集中的模糊照片;运用R‑CNN裁掉照片初始数据集中掌子面被遮挡的区域;采用SSR模型对数据集进行去除光照影响的处理;运用图像数据增广技术对数据集进行增强处理,得到新的训练数据集;利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception‑V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。本发明方法排除了主观因素的影响,克服了传统判识方法耗时耗力的技术问题。
Description
技术领域
本发明涉及隧道工程技术领域,具体涉及一种钻爆法隧道掌子面围岩级别智能判识方法、装置及介质。
背景技术
隧道是地下空间必要建筑物。隧道掌子面围岩级别的预测指导隧道设计、施工,保证隧道施工安全起到了关键性作用。隧道掌子面围岩级别体现了掌子面围岩坚硬程度、完整性程度、出水状态等诸多重要特征,隧道掌子面围岩级别的判识结果是隧道设计参数、施工工序的重要依据。传统的掌子面围岩级别的判识主要通过测量人员人工进行,靠近掌子面围岩进行人工测量增加了危险性程度,耗时耗力,并且受测量人员的主观经验影响较大。
随着计算机视觉技术的进步,我们可以搜集不同围岩级别的掌子面围岩照片来构建训练集,以卷积神经网络为工具提取同样级别掌子面围岩的共同特征,从而通过照片快速给掌子面围岩分级。
由于大部分应用场景下,掌子面围岩级别识别任务需要判断不在训练数据集内的掌子面围岩数据,这也就要求掌子面围岩照片的训练数据集包含尽可能多的数据,来提高模型的泛化性。在通常情况下,隧道内比较漆黑,拍照光线存在局部过曝、局部过暗、光线不均匀等问题;由于隧道内振动大,掌子面围岩图像照片存在模糊的问题;由于掌子面前方通常存在台车工作,掌子面围岩图像照片存在被台车遮挡的问题。同时,掌子面围岩照片的数据集需要每个钻进循环去拍照获得,拍照时机短、照片质量要求高、拍照环境恶劣,因此获得满足高泛化性的掌子面围岩级别识别模型是困难的。训练泛化性高的模型除了需要质量高的海量照片之外,还需要极高的计算成本和训练时间,因此亟需一种新的隧道掌子面围岩级别智能判识模型和智能判识方法。
发明内容
为解决现有技术中存在的问题,本发明提供了一种钻爆法隧道掌子面围岩级别智能判识方法、装置及介质,排除了主观因素的影响,也不需要海量样本以及高训练成本和高的计算成本,不再像传统判识方法那样耗时耗力,解决了上述背景技术中提到的问题。
为实现上述目的,本发明提供如下技术方案:一种钻爆法隧道掌子面围岩级别智能判识方法,包括如下步骤:
S1、构建掌子面围岩照片初始数据集,并按照掌子面围岩级别进行分类;
S2、运用非盲去卷积方法修复数据集中的模糊照片;
S3、运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域;
S4、采用SSR模型对步骤S3所获得的数据集进行去除光照影响的处理;
S5、运用图像数据增广技术对步骤S4处理过后的数据集进行增强处理,得到新的训练数据集;
S6、创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;
S7、利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数,最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。
优选的,在步骤S2中,运用非盲去卷积方法修复数据集中的模糊照片具体包括如下:将模糊的照片转换至灰度空间,通过Gamma反转换恢复到线性空间,初始化一个3×3的模糊卷积核K,运用变分贝叶斯和上采样对照片进行金字塔逐层迭代反算模糊卷积核的参数值,最后通过Richardson-Lucy非盲去卷积得到去除模糊之后的照片。
优选的,在步骤S3中,运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域具体包括如下:对于一张掌子面围岩照片利用selective search方法生成2000个候选区域,然后每个候选区域被resize成固定的大小227*227,并送入在开源数据集ImageNet预训练的1000分类的Alexnet模型当中来输出一个特征向量,该特征向量被送入多类别SVM分类器中,预测出候选区域中所含物体的属于每个类的概率值,再通过边界框回归模型对掌子面遮挡范围框的准确位置进行修正,最后根据该框的尺寸对掌子面围岩照片进行环向裁剪。
优选的,在步骤S4中,采用SSR模型对步骤S3所获得的数据集进行去除光照影响的处理具体包括如下:首先使用OpenCV开源工具从原始三通道RGB图像中提取出长波、中波、短波通道的灰度图,将提取到的三个通道的灰度值映射到对数区域,再分别对三个通道灰度图进行用正态分布来分配周围像素的权重的高斯卷积处理,把三个通道的对数区间灰度值除以高斯卷积处理之后的灰度值后合并,最后将去除光照影响的像素值归一化到[0,255]的区间,得到去除光照影响的掌子面围岩照片数据集。
优选的,在步骤S5中,运用图像数据增广技术对步骤S4处理过后的数据集进行增强处理,得到新的训练数据集具体包括:采取ROI算法提取钻爆法隧道掌子面区域、中心裁剪、再通过按概率旋转、镜像、缩放、固定尺寸的流程增加至5倍于初始数据集照片数量的新训练数据集。
优选的,所述新的掌子面围岩级别智能判识网络模型包括6个卷积层、2个池化层、3个Inception层以及新的全连接层和掌子面围岩级别输出层;所述新的全连接层以接收每张图像的2048维向量作为输入,识别钻爆法掌子面围岩的图像;所述新的掌子面围岩级别输出层是一个Softmax函数的掌子面围岩级别输出层,新的掌子面围岩级别输出层从输出基于原始ImageNet开源数据集的1000分类改变为输出钻爆法掌子面的围岩级别,新的掌子面围岩级别输出层包含N个标签对应围岩的N个级别。
优选的,所述未固定的模型参数具体包括新的全连接层和掌子面围岩级别输出层的参数,共有N+2048*N个,其中N表示围岩的级别数量。
另外,为实现上述目的,本发明还提供了如下技术方案:一种钻爆法隧道掌子面围岩级别智能判识装置,所述装置包括:
初始数据集构建模块:构建掌子面围岩照片初始数据集,并按照掌子面围岩级别进行分类;
修复和裁剪模块:运用非盲去卷积方法修复数据集中的模糊照片;运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域;
去除光照影响模块:采用SSR模型对裁剪后所获得的数据集进行去除光照影响的处理;
数据增强模块:运用图像数据增广技术对去除光照影响处理后的数据集进行增强处理,得到新的训练数据集;
掌子面围岩级别智能判识网络模型构建模块:创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;
掌子面围岩级别智能判识模块:利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数,最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。
另外,为实现上述目的,本发明还提供了如下技术方案:一种设备,所述设备包括:处理器;和存储器,用于存储一个或多个程序;
当所述一个或多个程序被处理器执行时,使得所述处理器执行所述的掌子面围岩级别智能判识方法。
另外,为实现上述目的,本发明还提供了如下技术方案:一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的掌子面围岩级别智能判识方法。
本发明的有益效果是:相对于传统的地质勘察人员人工判别钻爆法隧道掌子面围岩的级别,本发明提供了一种消除主观因素影响的围岩级别智能判识方法:1)能去除训练集掌子面围岩照片的模糊,获得清晰的掌子面围岩照片;2)能去除掌子面围岩照片被遮挡的区域;3)能够去除训练集掌子面围岩照片的局部过曝、局部过暗、光线不均匀的影响,从而获得掌子面围岩照片真实的彩色信息;4)通过图像增广技术中的特定流程扩展了训练集数量、强化了训练集特征;5)能训练出不需要海量样本以及高训练成本和高计算成本的掌子面围岩级别判识模型。
附图说明
图1为本发明实施例中一种基于图像的钻爆法隧道掌子面围岩级别智能判识方法的流程示意图;
图2为本发明实施例提供的模糊的掌子面围岩照片通过非盲去卷积方法得到的清晰的掌子面围岩照片,图2(a)为模糊的掌子面围岩照片,图2(b)为清晰的掌子面围岩照片;
图3为本发明实施例提供的部分区域被台车遮挡的掌子面围岩照片通过R-CNN方法得到的去除台车遮挡的掌子面围岩照片,图3(a)为被台车遮挡的掌子面围岩照片,图3(b)为R-CNN方法中候选区域示意图,图3(c)为去除台车遮挡的掌子面围岩照片;
图4为本发明实施例提供的去除光照影响所用到的高斯卷积核示意图;
图5为本发明实例提供的光线不均匀的掌子面围岩照片和经过SSR模型处理之后的掌子面围岩照片,图5(a)为光线不均匀的掌子面围岩照片,图5(b)为采用SSR模型处理之后的掌子面围岩照片;
图6为本发明实施例提供的未通过特定图像增强技术流程的原始掌子面围岩照片数据集;
图7为本发明实施例提供的通过特定图像增强技术流程的掌子面围岩照片数据集;
图8为本发明实施例提供的钻爆法隧道掌子面围岩级别智能判识装置模块示意图;
图9为本发明实施例提供的设备结构示意图;
图中,110-初始数据集构建模块;120-修复和裁剪模块;130-去除光照影响模块;140-数据增强模块;150-掌子面围岩级别智能判识网络模型构建模块;160-掌子面围岩级别智能判识模块;210-处理器;220-存储器。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图7,本发明提供了一种基于图像的钻爆法隧道掌子面围岩级别智能判识方法,图1是本发明实施例一种基于图像的钻爆法隧道掌子面围岩级别智能判识方法的流程图,该方法包括如下步骤:
S1、构建掌子面围岩照片初始数据集,按照掌子面围岩级别进行分类。
S2、运用非盲去卷积方法修复S1数据集中的模糊照片。
本发明能去除训练集掌子面围岩照片的模糊,获得清晰的掌子面围岩照片。如图2所示,将模糊的掌子面围岩照片转换至灰度空间,通过Gamma反转换恢复到线性空间,初始化一个3×3的模糊卷积核K,运用变分贝叶斯和上采样对照片进行金字塔逐层迭代反算模糊卷积核的参数值,最后通过Richardson-Lucy非盲去卷积得到去除模糊之后的掌子面围岩照片。
S3、运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域。
本发明能去除掌子面围岩照片被遮挡的区域,如图3所示,运用R-CNN裁掉照片数据集中掌子面被遮挡的区域。首先,对于一张掌子面围岩照片利用selective search方法生成2000个候选区域,然后每个候选区域被resize成固定的大小227*227,并送入在开源数据集ImageNet预训练的1000分类的Alexnet模型当中来输出一个特征向量,该特征向量被送入多类别SVM分类器中,预测出候选区域中所含物体的属于每个类的概率值,再通过边界框回归模型对掌子面遮挡范围框的准确位置进行修正。最后根据该框的尺寸对掌子面围岩照片进行环向裁剪。
S4、运用SSR模型(Single Scale Retinex)对步骤S3所获得的数据集进行去除光照影响的处理。
SSR模型(Single Scale Retinex)模型的表达式如下:
I(x,y)=L(x,y)×R(x,y)
式中,I(x,y)代表照片(x,y)坐标处的被观察或照相机接收到的图像信号;L(x,y)代表照片(x,y)坐标处的环境光的照射分量;R(x,y)表示照片(x,y)坐标处的携带图像细节信息的目标物体的反射分量。将上式两边取对数,则可剔除入射光的影响得到物体的本来面貌,即有关系式:
Log[R(x,y)]=Log[I(x,y)]-Log[L(x,y)]
要求得R(x,y)只需得到L(x,y)即可,采用I(x,y)和一个高斯核的卷积来表示L(x,y)。所以R(x,y)可用下式表示:
Log[R(x,y)]=Log[I(x,y)]-Log[I(x,y)*G(x,y)]
上式中*代表卷积,G(x,y)代表高斯核,最后提取的图像是对R(x,y)线性映射到RGB色彩区间[0,255]上的结果。
本发明能够去除训练集掌子面围岩照片的局部过曝、局部过暗、光线不均匀的影响,从而获得掌子面围岩照片真实的彩色信息。如图5所示,采用SSR模型(Single ScaleRetinex)对原始照片去除光照影响,首先使用OpenCV开源工具从原始三通道RGB图像中提取出长波(红色)、中波(绿色)、短波(蓝色)通道的灰度图,将提取到的三个通道的灰度值映射到对数区域,再分别对三个通道灰度图进行用正态分布来分配周围像素的权重的高斯卷积(如图4所示)处理,把三个通道的对数区间灰度值除以高斯卷积处理之后的灰度值后合并,最后将去除光照影响的像素值归一化到[0,255]的区间,得到去除光照影响的掌子面围岩照片数据集。
S5、运用图像数据增广技术对步骤S4处理过后的数据集进行增强处理,得到新的训练数据集。
本发明通过图像增广技术中的特定流程扩展了训练集数量、强化了训练集特征。通过采取ROI算法提取掌子面围岩的有效判识区域,再通过按概率旋转、镜像、缩放、固定尺寸等流程增加至5倍于原始数据集照片数量的新数据集。
如图6所示的原始掌子面围岩照片数据集通过步骤S5增强为如图7所示的新的掌子面围岩照片数据集,数据集数量增加5倍。
采用ROI算法提取钻爆法隧道掌子面区域;基于提取的掌子面区域采用图像数据增广技术中的中心裁剪工具,以100%的概率选择掌子面区域中心点的占整体照片50%的面积随机裁剪面积从0到50%的照片;采用图像数据增广技术中的旋转工具以80%的概率逆时针或者顺时针旋转照片,最大旋转角度为10°;采用图像数据增广技术中的镜像工具以50%的概率对照片左右镜像;采用图像数据增广技术中的缩放工具以80%的概率对照片进行大小缩放,缩放的照片面积占比为85%;采用图像数据增广技术中的照片尺寸固定工具以100%的概率对照片进行尺寸固定,固定位Inception-V3的输入尺寸,具体固定尺寸为299*299,选择的重采样过滤器模式为“BICUBIC”。最终形成5倍于初始数据集照片数量的新的训练数据集。
S6、创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型。新模型的结构和训练参数如表1所示。
表1性模型的结构和训练参数
新模型包含6个卷积层、2个池化层、3个Inception层以及新建的全连接层和新建的围岩级别输出层,已固定的参数为除了最后两层的其余所有参数。未固定的参数为新建全连接层和新建的围岩级别输出层的参数。
本发明能训练出不需要海量样本以及高训练成本和高计算成本的掌子面围岩级别判识模型,通过引用在ImageNet开源数据库预训练好的Inception-V3模型来提高新模型的泛化性特征,具有泛化性特征的新模型可以适应小样本训练情况;通过固定除新全连接层和输出层之外的训练参数来降低模型的训练成本和计算成本。
通过创建一个新的全连接层,未保留预训练参数的新的全连接层通过更新训练参数获得了提取掌子面围岩级别特征的能力,它可以识别钻爆法掌子面围岩的图像,新的全连接层接收每张图像的2048维向量作为输入。创建一个Softmax函数的掌子面围岩级别输出层,新的输出层与原始输出层不同,新的输出层不再输出基于原始ImageNet开源数据集的1000分类,而是输出钻爆法掌子面的围岩级别,新的Softmax层输出层包含N个标签对应围岩的N个级别,新模型训练学习的偏差和权重模型参数有N+2048*N个。运用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层。
S7、利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数。未固定的参数为新建全连接层和新建的围岩级别输出层的参数,总共有N+2048*N个,其中N是围岩的级别数量。最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。
本发明提供的基于图像的钻爆法隧道掌子面围岩级别智能判识方法,相对于传统的地质勘察人员人工判别钻爆法隧道掌子面围岩的级别,提供了一种消除主观因素影响的围岩级别判识方法。
基于与上述方法实施例相同地发明构思,本申请实施例还提供了一种钻爆法隧道掌子面围岩级别智能判识装置,该装置可以实现上述方法实施例所提供的功能,如图8所示,该装置包括:
初始数据集构建模块110:构建掌子面围岩照片初始数据集,并按照掌子面围岩级别进行分类;
修复和裁剪模块120:运用非盲去卷积方法修复数据集中的模糊照片;运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域;
去除光照影响模块130:采用SSR模型对裁剪后所获得的数据集进行去除光照影响的处理;
数据增强模块140:运用图像数据增广技术对去除光照影响处理后的数据集进行增强处理,得到新的训练数据集;
掌子面围岩级别智能判识网络模型构建模块150:创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;
掌子面围岩级别智能判识模块160:利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数,最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。
基于与上述方法实施例相同地发明构思,本申请实施例还提供了一种设备,如图9所示,所述设备包括:处理器210;和存储器220,用于存储一个或多个程序;
当所述一个或多个程序被处理器210执行时,使得所述处理器执行所述的掌子面围岩级别智能判识方法。
所述的掌子面围岩级别智能判识方法具体包括:
构建掌子面围岩照片初始数据集,并按照掌子面围岩级别进行分类;
运用非盲去卷积方法修复数据集中的模糊照片;
运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域;
采用SSR模型对裁剪后所获得的数据集进行去除光照影响的处理;
运用图像数据增广技术对去除光照影响处理后的数据集进行增强处理,得到新的训练数据集;
创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;
利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数,最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。
基于与上述方法实施例相同地发明构思,本申请实施例还提供了一种计算机可读存储介质,其特征在于:其上存储有计算机程序,所述计算机程序被处理器210执行时实现所述的掌子面围岩级别智能判识方法。
所述的掌子面围岩级别智能判识方法具体包括:
构建掌子面围岩照片初始数据集,并按照掌子面围岩级别进行分类;
运用非盲去卷积方法修复数据集中的模糊照片;
运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域;
采用SSR模型对裁剪后所获得的数据集进行去除光照影响的处理;
运用图像数据增广技术对去除光照影响处理后的数据集进行增强处理,得到新的训练数据集;
创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;
利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数,最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种钻爆法隧道掌子面围岩级别智能判识方法,其特征在于,包括如下步骤:
S1、构建掌子面围岩照片初始数据集,并按照掌子面围岩级别进行分类;
S2、运用非盲去卷积方法修复数据集中的模糊照片;
S3、运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域;
S4、采用SSR模型对步骤S3所获得的数据集进行去除光照影响的处理;
S5、运用图像数据增广技术对步骤S4处理过后的数据集进行增强处理,得到新的训练数据集;
S6、创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;
S7、利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数,最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。
2.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:在步骤S2中,运用非盲去卷积方法修复数据集中的模糊照片具体包括如下:将模糊的照片转换至灰度空间,通过Gamma反转换恢复到线性空间,初始化一个3×3的模糊卷积核K,运用变分贝叶斯和上采样对照片进行金字塔逐层迭代反算模糊卷积核的参数值,最后通过Richardson-Lucy非盲去卷积得到去除模糊之后的照片。
3.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:在步骤S3中,运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域具体包括如下:对于一张掌子面围岩照片利用selective search方法生成2000个候选区域,然后每个候选区域被resize成固定的大小227*227,并送入在开源数据集ImageNet预训练的1000分类的Alexnet模型当中来输出一个特征向量,该特征向量被送入多类别SVM分类器中,预测出候选区域中所含物体的属于每个类的概率值,再通过边界框回归模型对掌子面遮挡范围框的准确位置进行修正,最后根据该框的尺寸对掌子面围岩照片进行环向裁剪。
4.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:在步骤S4中,采用SSR模型对步骤S3所获得的数据集进行去除光照影响的处理具体包括如下:首先使用OpenCV开源工具从原始三通道RGB图像中提取出长波、中波、短波通道的灰度图,将提取到的三个通道的灰度值映射到对数区域,再分别对三个通道灰度图进行用正态分布来分配周围像素的权重的高斯卷积处理,把三个通道的对数区间灰度值除以高斯卷积处理之后的灰度值后合并,最后将去除光照影响的像素值归一化到[0,255]的区间,得到去除光照影响的掌子面围岩照片数据集。
5.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:在步骤S5中,运用图像数据增广技术对步骤S4处理过后的数据集进行增强处理,得到新的训练数据集具体包括:采取ROI算法提取钻爆法隧道掌子面区域、中心裁剪、再通过按概率旋转、镜像、缩放、固定尺寸的流程增加至5倍于初始数据集照片数量的新训练数据集。
6.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:所述新的掌子面围岩级别智能判识网络模型包括6个卷积层、2个池化层、3个Inception层以及新的全连接层和掌子面围岩级别输出层;所述新的全连接层以接收每张图像的2048维向量作为输入,识别钻爆法掌子面围岩的图像;所述新的掌子面围岩级别输出层是一个Softmax函数的掌子面围岩级别输出层,新的掌子面围岩级别输出层从输出基于原始ImageNet开源数据集的1000分类改变为输出钻爆法掌子面的围岩级别,新的掌子面围岩级别输出层包含N个标签对应围岩的N个级别。
7.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:所述未固定的模型参数具体包括新的全连接层和掌子面围岩级别输出层的参数,共有N+2048*N个,其中N表示围岩的级别数量。
8.一种钻爆法隧道掌子面围岩级别智能判识装置,其特征在于:所述装置包括:
初始数据集构建模块(110):构建掌子面围岩照片初始数据集,并按照掌子面围岩级别进行分类;
修复和裁剪模块(120):运用非盲去卷积方法修复数据集中的模糊照片;运用R-CNN裁掉照片初始数据集中掌子面被遮挡的区域;
去除光照影响模块(130):采用SSR模型对裁剪后所获得的数据集进行去除光照影响的处理;
数据增强模块(140):运用图像数据增广技术对去除光照影响处理后的数据集进行增强处理,得到新的训练数据集;
掌子面围岩级别智能判识网络模型构建模块(150):创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception-V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;
掌子面围岩级别智能判识模块(160):利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数,最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。
9.一种设备,其特征在于:所述设备包括:处理器(210);和存储器(220),用于存储一个或多个程序;
当所述一个或多个程序被处理器(210)执行时,使得所述处理器执行如权利要求1-7中任一项所述的掌子面围岩级别智能判识方法。
10.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,所述计算机程序被处理器(210)执行时实现如权利要求1-7中任一项所述的掌子面围岩级别智能判识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310265884.2A CN116452511B (zh) | 2023-03-17 | 2023-03-17 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310265884.2A CN116452511B (zh) | 2023-03-17 | 2023-03-17 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452511A true CN116452511A (zh) | 2023-07-18 |
CN116452511B CN116452511B (zh) | 2024-05-03 |
Family
ID=87126523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310265884.2A Active CN116452511B (zh) | 2023-03-17 | 2023-03-17 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452511B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973550A (zh) * | 2023-09-22 | 2023-10-31 | 中铁十六局集团有限公司 | 一种基于超前地质钻探的爆破参数确定方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741244A (zh) * | 2016-01-28 | 2016-07-06 | 山东鲁能智能技术有限公司 | 一种室内巡检机器人弱光下去除阴影和光晕的方法 |
CN112464816A (zh) * | 2020-11-27 | 2021-03-09 | 南京特殊教育师范学院 | 基于二次迁移学习的地方手语识别方法、装置 |
CN112990227A (zh) * | 2021-02-08 | 2021-06-18 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
CN113077009A (zh) * | 2021-04-20 | 2021-07-06 | 长沙理工大学 | 一种基于迁移学习模型的隧道围岩岩性识别方法 |
CN113112447A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于vgg卷积神经网络的隧道围岩级别智能判定方法 |
CN114140448A (zh) * | 2021-12-06 | 2022-03-04 | 广西路信云信息技术有限公司 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
CN114970396A (zh) * | 2022-06-07 | 2022-08-30 | 北京理工大学 | 一种考虑随机和认知不确定性的cfd模型修正方法 |
CN115375945A (zh) * | 2022-08-29 | 2022-11-22 | 深圳市华傲数据技术有限公司 | 一种水面油污识别和污染面积测算方法 |
-
2023
- 2023-03-17 CN CN202310265884.2A patent/CN116452511B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741244A (zh) * | 2016-01-28 | 2016-07-06 | 山东鲁能智能技术有限公司 | 一种室内巡检机器人弱光下去除阴影和光晕的方法 |
CN113112447A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于vgg卷积神经网络的隧道围岩级别智能判定方法 |
CN112464816A (zh) * | 2020-11-27 | 2021-03-09 | 南京特殊教育师范学院 | 基于二次迁移学习的地方手语识别方法、装置 |
CN112990227A (zh) * | 2021-02-08 | 2021-06-18 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
CN113077009A (zh) * | 2021-04-20 | 2021-07-06 | 长沙理工大学 | 一种基于迁移学习模型的隧道围岩岩性识别方法 |
CN114140448A (zh) * | 2021-12-06 | 2022-03-04 | 广西路信云信息技术有限公司 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
CN114970396A (zh) * | 2022-06-07 | 2022-08-30 | 北京理工大学 | 一种考虑随机和认知不确定性的cfd模型修正方法 |
CN115375945A (zh) * | 2022-08-29 | 2022-11-22 | 深圳市华傲数据技术有限公司 | 一种水面油污识别和污染面积测算方法 |
Non-Patent Citations (1)
Title |
---|
SNAILLLLL: "外文翻译之 Removing Camera Shake from a Single Photograph", pages 1 - 4, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_44766794/article/details/88910330> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973550A (zh) * | 2023-09-22 | 2023-10-31 | 中铁十六局集团有限公司 | 一种基于超前地质钻探的爆破参数确定方法 |
CN116973550B (zh) * | 2023-09-22 | 2023-11-28 | 中铁十六局集团有限公司 | 一种基于超前地质钻探的爆破参数确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116452511B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065558B (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN108470320B (zh) | 一种基于cnn的图像风格化方法及系统 | |
CN108549892B (zh) | 一种基于卷积神经网络的车牌图像清晰化方法 | |
WO2019233297A1 (zh) | 数据集的构建方法、移动终端、可读存储介质 | |
CN106897673B (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN110675339A (zh) | 基于边缘修复和内容修复的图像修复方法及系统 | |
CN109255758A (zh) | 基于全1*1卷积神经网络的图像增强方法 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN116452511B (zh) | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 | |
CN113095470A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN114022383A (zh) | 一种文字图像的摩尔纹祛除方法、装置及电子设备 | |
CN111445496B (zh) | 一种水下图像识别跟踪系统及方法 | |
CN111178121A (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
CN113096023A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
Sureshkumar et al. | Deep learning framework for component identification | |
Guo et al. | D3-Net: Integrated multi-task convolutional neural network for water surface deblurring, dehazing and object detection | |
Liu et al. | Dual UNet low-light image enhancement network based on attention mechanism | |
CN106934344B (zh) | 一种基于神经网络的快速行人检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |